مقاله انگلیسی تشخیص عابران پیاده با یادگیری ویژگی چندرسانه ای بدون نظارت با استفاده از شبکه های عصبی عمیق

05 شهریور 1397 | 14:44

مقاله انگلیسی تشخیص عابران پیاده با یادگیری ویژگی چندرسانه ای بدون نظارت با استفاده از شبکه های عصبی عمیق
عنوان فارسی مقاله: تشخیص عابران پیاده با یادگیری ویژگی چندرسانه ای بدون نظارت با استفاده از شبکه های عصبی عمیق
عنوان انگلیسی مقاله: Pedestrian detection with unsupervised multispectral feature learning using deep neural networks
مجله/کنفرانس: Information Fusion
رشته های تحصیلی مرتبط: فناوری اطلاعات
گرایش های تحصیلی مرتبط: فناوری اطلاعات
کلمات کلیدی انگلیسی: Multispectral pedestrian detection; Deep neural networks; Auto-annotation; Semantic feature fusion; Unsupervised learning
نوع نگارش مقاله: پژوهشی - research
نمایه: scopus - master journals - JCR
DOI: doi.org/10.1016/j.inffus.2018.06.005
ناشر: الزویر - Elsevier
نوع ارائه مقاله: ژورنالی
نوع مقاله: ISI
سال انتشار مقاله: 2019
ایمپکت فاکتور(IF): 6.639()2017
شاخص H_index: 72
SJR: 1.832
شناسه ISSN: 1566-2535
فرمت مقاله انگلیسی: PDF
تعداد صفحات مقاله انگلیسی: 15
کد محصول: EN11
فهرست انگلیسی مطالب
Abstract

Introduction

Related Work

-Supervised Pedestrian Detection

-Multimodal Data Fusion

Our approach

- Iterative annotation

- Temporal Tracking

-label fusion

- Two-stream RPN pedestrian detector

Experiments

-Dataset

-Implementation Details

-Evaluation of Auto-Annotation

--Iterative Annotation Results

--Temporal Tracking Results

--Label Fusion Results

-Evaluation of Two-stream RPN pedestrian detector

Conclusion

Acknowledgment

References
نمونه متن انگلیسی
Abstract

Multispectral pedestrian detection is an important functionality in various computer vision applications such as robot sensing, security surveillance, and autonomous driving. In this paper, our motivation is to automatically adapt a generic pedestrian detector trained in a visible source domain to a new multispectral target domain without any manual annotation efforts. For this purpose, we present an auto-annotation framework to iteratively label pedestrian instances in visible and thermal channels by leveraging the complementary information of multispectral data. A distinct target is temporally tracked through image sequences to generate more confident labels. The predicted pedestrians in two individual channels are merged through a label fusion scheme to generate multispectral pedestrian annotations. The obtained annotations are then fed to a two-stream region proposal network (TS-RPN) to learn the multispectral features on both visible and thermal images for robust pedestrian detection. Experimental results on KAIST multispectral dataset show that our proposed unsupervised approach using auto-annotated training data can achieve performance comparable to state-of-the-art deep neural networks (DNNs) based pedestrian detectors trained using manual labels.
  • اشتراک گذاری در

دیدگاه خود را بنویسید:

تاکنون دیدگاهی برای این نوشته ارسال نشده است

جستجوی پیشرفته